Mongodb数据库转换为表格文件的库

admin mongodb 2022-11-11 35 0

作者:Python进阶者

来源:Python爬虫与数据挖掘

前言

大家好,我是吴老板。今天给大家分享一个可将Mongodb数据库里边的文件转换为表格文件的库,这个库是我自己开发的,有问题可以随时咨询我。

Mongo2file库是一个 Mongodb 数据库转换为表格文件的库。

在我的日常工作中经常和 mongodb 打交道,而从 mongodb 数据库中批量导出数据为其他格式则成为了刚需。

如果您跟我一样每次导出数据时都需要重新编写或到处寻找 脚本代码 的话,这个库可能会对您产生帮助。

依赖于快速 PyArrow

mongo2file 依赖于 PyArrow 库。它是 C++ Arrow 的 Python 版本实现。

PyArrow 目前与 Python 3.7、3.8、3.9 和 3.10 兼容。

仓库地址: https://github.com/apache/arrow

如果您在 Windows 上遇到任何的导入问题或错误,您可能需要安装 Visual Studio 2015。

警告: PyArrow 目前只支持到 win64 位 ( Python 64bit ) 操作系统。

其次,除了常见的 csv、excel、以及 json 文件格式之外, mongo2file 还支持导出 pickle、feather、parquet 的二进制压缩文件。

pickle、feather、parquet 是 Python 序列化数据的一种文件格式, 它把数据转成二进制进行存储。从而大大减少读取的时间。

安装

pip install mongo2file

基本用法

快速开始

import osfrom mongo2file import MongoEngineM = MongoEngine( host=os.getenv('MONGO_HOST', '127.0.0.1'), port=int(os.getenv('MONGO_PORT', 27017)), username=os.getenv('MONGO_USERNAME', None), password=os.getenv('MONGO_PASSWORD', None), database=os.getenv('MONGO_DATABASE', 'test_'), collection=os.getenv('MONGO_COLLECTION', 'test_'))def to_csv(): result_ = M.to_csv() assert "successfully" in result_def to_excel(): result_ = M.to_excel() assert "successfully" in result_def to_json(): result_ = M.to_excel() assert "successfully" in result_def to_pickle(): result_ = M.to_pickle() assert "successfully" in result_def to_feather(): result_ = M.to_feather() assert "successfully" in result_def to_parquet(): result_ = M.to_parquet() assert "successfully" in result_ to_csv()

当 MongoEngine 控制类指定了 mongodb 表名称时、将对数据表 (mongodb集合) 进行导出操作。

其类方法参数包括:

query: 指定对数据表的查询参数、只对指定表名时有效folder_path: 指定导出目录路径filename: 指定导出文件名、默认为表名称当前时间_id: 指定是否导出_id、布尔型、默认为Falselimit: 指定导出表的限制数据、int类型、默认为-1、即不限制。

import osfrom mongo2file import MongoEngine"""作用于 MongoEngine 类未指定表名称时"""M = MongoEngine( host=os.getenv('MONGO_HOST', '127.0.0.1'), port=int(os.getenv('MONGO_PORT', 27017)), username=os.getenv('MONGO_USERNAME', None), password=os.getenv('MONGO_PASSWORD', None), database=os.getenv('MONGO_DATABASE', 'test_'))def to_csv(): result_ = M.to_csv() assert "successfully" in result_def to_excel(): result_ = M.to_excel() assert "successfully" in result_def to_json(): result_ = M.to_json() assert "successfully" in result_ to_csv()

当 MongoEngine 控制类只指定了 mongodb 库名称时、将对数据库下所有集合进行导出操作。

面对 mongo2file的瓶颈和改进

对于 mongodb 的全表查询、条件查询、聚合操作、以及索引操作(当数据达到一定量级时建议) 并不是直接影响 数据导出的最大因素。

因为 mongodb 的查询一般而言都非常快速,主要的瓶颈在于读取 数据库 之后将数据转换为大列表存入 表格文件时所耗费的时间。

_这是一件非常可怕的事情_。

当没有多线程(当然这里的多线程并不是对同一文件进行并行操作,文件写入往往是线程不安全的)、 数据表查询语句无优化时,并且当数据达到一定量级时(比如 100w 行),单表单线程表现出来的效果真是让人窒息。

在 mongo2file 在进行大数据量导出时表现的并没有多么优秀。导致的主要原因可能是:

采用的 xlsxwriter库写入excel时是积极加载(非惰性)的,数据全部加载至内存后插入表格。大数据量插入表格时、跟宿主机器的性能有关。

mongo2file 表现的不如人意时,我做出了一下改进:

当数据量过大时,数据表分块读取,导出多表格。增加线程池的最大并发数、当选取的 block_size值合适时,将发挥最大性能。

对于数据转换一些建议

对于 xlsxwriteropenpyxlxlwings以及pandas引用的任何引擎进行写入操作时、都会对写入数据进行非法字符的过滤。这一点从部分源码中可以看得出来。由于行数据表中可能存在 excel无法识别的非法字符 (比如空列表) , 当写至此行时将抛出非法类型的错误。而比较恰当合理的做法就是在存储 mongodb文档时不要存入类似于的这种对原始数据无意义的空对象。

Reference API

MongoEngine

MongoEngine( host='localhost', port=27017, username=None, password=None, database='测试库', collection='测试表_200000')

to_csv(query, folder_path, filename, ...)

:param query: 数据库查询条件、字典类型、只作用于单表导出:param folder_path: 指定导出的目录:param filename: 指定导出的文件名:param _id: 是否导出 _id 默认否:param limit: 限制数据表查询的条数:param is_block: 是否分块导出:param block_size: 块大小、is_block 为 True 时生效

to_excel(query, folder_path, filename, ...)

:param query: 数据库查询条件、字典类型、只作用于单表导出:param folder_path: 指定导出的目录:param filename: 指定导出的文件名:param _id: 是否导出 _id 默认否:param limit: 限制数据表查询的条数:param is_block: 是否分块导出:param block_size: 块大小、is_block 为 True 时生效:param mode: 导出模式, 枚举类型、sheet 或 xlsx, 当 is_block 为 True 时生效:param ignore_error: 是否忽略错误、数据表中存在非序列化类型时使用、这将一定程度上影响程序的性能

to_json(query, folder_path, filename, ...)

:param query: 数据库查询条件、字典类型、只作用于单表导出:param folder_path: 指定导出的目录:param filename: 指定导出的文件名:param _id: 是否导出 _id 默认否:param limit: 限制数据表查询的条数:param is_block: 是否分块导出:param block_size: 块大小、is_block 为 True 时生效

to_pickle(query, folder_path, filename, ...)

:param query: 数据库查询条件、字典类型、只作用于单表导出:param folder_path: 指定导出的目录:param filename: 指定导出的文件名:param _id: 是否导出 _id 默认否:param limit: 限制数据表查询的条数

to_feather(query, folder_path, filename, ...)

:param query: 数据库查询条件、字典类型、只作用于单表导出:param folder_path: 指定导出的目录:param filename: 指定导出的文件名:param _id: 是否导出 _id 默认否:param limit: 限制数据表查询的条数

to_parquet(query, folder_path, filename, ...)

:param query: 数据库查询条件、字典类型、只作用于单表导出:param folder_path: 指定导出的目录:param filename: 指定导出的文件名:param _id: 是否导出 _id 默认否:param limit: 限制数据表查询的条数

总结

大家好,我是吴老板。以上就是今天要分享的全部内容了,总的来说,Mongo2file库是一个可以将 Mongodb 数据库转换为表格文件的库,不仅支持导出csv、excel、以及 json 文件格式, 还支持导出 pickle、feather、parquet 的二进制压缩文件。欢迎大家积极尝试,在使用过程中有遇到任何问题,欢迎随时联系我。

评论